CUDA-Q Logical ของ NVIDIA ช่วยออกแบบคอมพิวเตอร์ควอนตัมแบบครบทั้งระบบ

NVIDIA เปิดตัว CUDA-Q Logical ที่งาน IEEE Quantum Week ในเมืองโตรอนโต โดยเป็นชั้น orchestration แบบโอเพนซอร์สที่เพิ่มเข้ามาในแพลตฟอร์ม CUDA-Q เป้าหมายคือช่วยให้นักวิจัยเขียนโปรแกรม ออกแบบ และตรวจสอบระบบคอมพิวเตอร์ควอนตัมที่ทนต่อข้อผิดพลาด (fault-tolerant quantum computing) ได้เป็นระบบมากขึ้น 19

หัวใจของการประกาศนี้คือการย้ายจุดสนใจไปที่ logical qubit หรือคิวบิตเชิงตรรกะ ซึ่งสร้างจาก physical qubit จำนวนมากพร้อมกลไกแก้ไขข้อผิดพลาด เพื่อให้การคำนวณควอนตัมที่ยาวและเชื่อถือได้มีความเป็นไปได้ในอนาคต

ทำไมต้องออกแบบร่วมกันทั้งสแตก

การสร้างคอมพิวเตอร์ควอนตัมที่ใช้งานได้จริง ไม่ใช่เรื่องของการเลือกเพียงเทคโนโลยีคิวบิตที่ดีที่สุด เพราะอัลกอริทึม รหัสการแก้ไขข้อผิดพลาดควอนตัม (QEC) วิธีคอมไพล์ การเชื่อมต่อของฮาร์ดแวร์ ระบบควบคุม และการประมวลผลแบบคลาสสิก ล้วนส่งผลต่อกัน

ตัวอย่างเช่น รหัส QEC แต่ละชนิดอาจต้องใช้จำนวน physical qubit ต่างกัน ขณะที่โครงสร้างการเชื่อมต่อของ QPU ก็มีผลต่อการแปลงคำสั่งและเวลาในการรันงาน CUDA-Q Logical จึงออกแบบมาเพื่อทำให้สมมติฐานและข้อแลกเปลี่ยนเหล่านี้นำมาทดสอบ เปรียบเทียบ และตรวจสอบได้ก่อนลงทุนกับสถาปัตยกรรมใดสถาปัตยกรรมหนึ่ง 24

CUDA-Q เดิมเป็นแพลตฟอร์มไฮบริดควอนตัม-คลาสสิกที่รวมการเขียนโปรแกรมและการทำงานของ QPU, GPU และ CPU ไว้ในระบบเดียว ส่วน CUDA-Q Logical เพิ่มชั้นที่เน้นการประเมินระบบ logical qubit และความทนทานต่อข้อผิดพลาดโดยเฉพาะ 18

CUDA-Q Logical ช่วยทำอะไรได้บ้าง

NVIDIA อธิบายว่าเลเยอร์ใหม่นี้เป็นแนวทางแบบเปิด เขียนโปรแกรมได้ และตรวจสอบได้ สำหรับพัฒนาแอปพลิเคชันควอนตัมแบบทนความผิดพลาด งานที่นักวิจัยสามารถทำได้ประกอบด้วย

• เขียนและประกอบอัลกอริทึมแบบทนความผิดพลาด รวมถึงองค์ประกอบ QEC
• ประเมินรหัส QEC และแนวทางการคอมไพล์หลายแบบ
• จำลองทางเลือกของฮาร์ดแวร์และสถาปัตยกรรม QPU
• ประมาณทรัพยากรที่จำเป็นต่อเป้าหมายจำนวน logical qubit
• เปรียบเทียบข้อแลกเปลี่ยนด้านทรัพยากรและประสิทธิภาพในระดับทั้งระบบ 124

สิ่งนี้ไม่ได้หมายความว่าปัญหาฮาร์ดแวร์ควอนตัมได้รับการแก้ไขแล้ว แต่เป็นการสร้างชั้นซอฟต์แวร์กลางที่ทำให้ทีมวิจัยทดสอบทางเลือกต่าง ๆ ได้อย่างเป็นรูปธรรมมากขึ้น

ตัวอย่างผลลัพธ์และการเชื่อมต่อระบบ

ตัวเลขและตัวอย่างต่อไปนี้เป็นผลจากเวิร์กโฟลว์หรือแบบจำลองเฉพาะ จึงไม่ควรตีความเป็นตัวชี้วัดเดียวของความสามารถด้านควอนตัมแบบทนความผิดพลาดทั้งหมด

Fermilab: ลดเวลาประเมินการออกแบบ

NVIDIA ระบุว่า Fermilab ใช้ CUDA-Q Logical ในเวิร์กโฟลว์การพัฒนาสถาปัตยกรรมที่ทำซ้ำและตรวจสอบได้ ส่งผลให้เวลาในการพัฒนาลดจากประมาณ 5 เดือนเหลือ 3 สัปดาห์ หรือเร็วขึ้นราว 7 เท่า 1

Iceberg Quantum และ Diraq: แบบจำลองทรัพยากร logical qubit

Iceberg Quantum และ Diraq สร้างแบบจำลองสถาปัตยกรรมที่ตั้งเป้าผลิต logical qubit จำนวน 1,000 ตัว จาก Diraq silicon physical qubit ราว 150,000 ตัว ประเด็นสำคัญคือ นี่เป็นผลของการสร้างแบบจำลองและตรวจสอบสถาปัตยกรรม ไม่ใช่การอ้างว่าฮาร์ดแวร์ดังกล่าวกำลังรัน logical qubit 1,000 ตัวอยู่ในปัจจุบัน 121

Infleqtion: QEC แบบ qLDPC

Infleqtion เชื่อมไลบรารี qLDPC แบบโอเพนซอร์สเข้ากับ CUDA-Q Logical เพื่อทำวิจัยด้าน QEC บริษัทระบุว่าสามารถสร้างและตรวจสอบรหัสที่ใช้ physical data qubit ประมาณ 6 ตัวต่อ logical qubit 1 ตัว และอาจใช้ physical data qubit น้อยกว่าแนวทาง surface code ที่ใช้กันอยู่ได้สูงสุด 5 เท่า ทั้งนี้ การเปรียบเทียบดังกล่าวขึ้นอยู่กับวิธีการและสมมติฐานที่รายงาน ไม่ใช่ข้อกำหนดตายตัวสำหรับระบบทุกประเภท 192031

Qedma และ Quantum Machines: เชื่อมซอฟต์แวร์กับการควบคุมจริง

Qedma นำเทคโนโลยีบรรเทาความผิดพลาด QESEM มาเชื่อมกับ CUDA-Q สำหรับเวิร์กโฟลว์ที่มุ่งไปยังระบบ Quantinuum โดยการบรรเทาความผิดพลาด (error mitigation) ต่างจากการแก้ไขข้อผิดพลาดแบบทนความผิดพลาดอย่างแท้จริง แต่กรณีนี้สะท้อนบทบาทของ CUDA-Q ในการเชื่อมส่วนประกอบซอฟต์แวร์เข้ากับฮาร์ดแวร์เฉพาะทาง 26

ด้าน Quantum Machines ได้เชื่อมความสามารถ cudaq-realtime เข้ากับ Open Acceleration Stack ของตน NVIDIA ระบุว่า API นี้รองรับการเรียกกลับระหว่าง GPU กับตัวควบคุมควอนตัมด้วยความหน่วงระดับไมโครวินาที จึงช่วยให้การทำงานระหว่างคิวบิตที่กำลังใช้งานจริง GPU และ CPU ประสานกันได้ใกล้ชิดขึ้น 30

Sandia: เกณฑ์วัดความพร้อมของฮาร์ดแวร์

Sandia National Laboratories นำ QUOPS มาให้ใช้ใน CUDA-Q โดย NVIDIA อธิบายว่า QUOPS เป็นเกณฑ์ทดสอบเพื่อประเมินความพร้อมของฮาร์ดแวร์ควอนตัมแบบทนความผิดพลาดต่อการใช้งานจริง และออกแบบมาเพื่อการเปรียบเทียบข้ามแพลตฟอร์ม แทนที่จะยึดตัวชี้วัดของผู้ผลิตรายเดียว 122

เหตุใดการเปิดตัวครั้งนี้จึงน่าจับตา

คุณค่าของ CUDA-Q Logical ไม่ได้อยู่ที่การประกาศว่าโจทย์คอมพิวเตอร์ควอนตัมแบบทนความผิดพลาดถูกแก้ได้แล้ว แต่อยู่ที่การมีชั้นกลางแบบขยายต่อได้ ซึ่งช่วยให้ทดสอบพื้นที่การออกแบบที่ซับซ้อนระหว่างแอปพลิเคชันกับเครื่องจริง

คำถามสำหรับผู้พัฒนาระบบ logical qubit จึงไม่ใช่แค่ว่า “คิวบิตชนิดใดดีที่สุด” แต่คือชุดผสมของอัลกอริทึม รหัส QEC คอมไพเลอร์ สถาปัตยกรรม ระบบควบคุม และการเร่งประมวลผลแบบคลาสสิก จะตอบเป้าหมายด้านทรัพยากรและประสิทธิภาพได้หรือไม่ CUDA-Q Logical มีเป้าหมายเพื่อทำให้การตั้งคำถาม เปรียบเทียบ และตรวจสอบชุดผสมเหล่านี้ทำได้ง่ายขึ้น 124

การเข้าถึง

CUDA-Q Logical เปิดให้ใช้งานเป็นส่วนหนึ่งของโครงการ CUDA-Q แบบโอเพนซอร์สบน GitHub โดยเอกสารของ NVIDIA ระบุว่าสามารถติดตั้ง CUDA-Q สำหรับ Python ได้ด้วยคำสั่งนี้

pip install cudaq

บันทึกการออกรุ่นบน GitHub ระบุว่า CUDA-Q Logical เป็น logical layer แบบเปิดและขยายต่อได้ สำหรับการประมวลผลควอนตัมที่ทนต่อข้อผิดพลาด 182437